Mendesain Ulang Organisasi: Transformasi Bisnis Agentik dengan AI

AI Agentik: Tantangan dan Potensi Transformasi Bisnis

      Dalam lanskap korporat saat ini, adopsi AI agentik di tingkat perusahaan sedang meningkat pesat. Namun, ada kesenjangan yang signifikan antara ambisi dan eksekusi. Survei menunjukkan bahwa meskipun 85% organisasi memiliki keinginan untuk menjadi "agentik" dalam tiga tahun ke depan, 76% mengakui bahwa operasi dan infrastruktur mereka saat ini belum mampu mendukung perubahan tersebut. Tantangan utama seringkali berasal dari kurangnya kesiapan dalam aspek SDM, proses, dan alur kerja. Banyak organisasi cenderung "menumpuk" agen AI di atas operasi yang sudah ada, alih-alih merancang ulang model operasi dan cara kerja yang fundamental.

      Prasun Shah, CTO global untuk konsultasi tenaga kerja dan kepala petugas AI di PwC UK Consulting, menjelaskan bahwa pendekatan ini seperti "menambahkan selotip pada bagian model operasi yang sudah rusak." Mereka mencoba menyematkan "karyawan AI" ke dalam model operasi yang dirancang untuk manusia. Upaya ini berisiko menghambat organisasi untuk meraih nilai penuh yang ditawarkan oleh AI agentik, bahkan dapat menyebabkan kekecewaan. Nilai sejati AI agentik terletak pada kemampuannya untuk menjalankan seluruh alur kerja dengan sedikit intervensi manusia. Agen-agen ini dapat mengoordinasikan tugas-tugas kompleks, membuat keputusan mandiri, menyesuaikan diri dengan kondisi yang berubah, dan terus-menerus meningkatkan kinerja. Di bidang-bidang awal seperti layanan pelanggan, HR, dan penjualan, diperkirakan bahwa agen AI dapat mempercepat proses bisnis hingga 30-50% dan mengurangi waktu kerja bernilai rendah sebesar 25-40% jika diterapkan dalam skala besar. Namun, kemampuan ini datang dengan kompleksitas yang lebih besar dan kebutuhan akan perubahan di seluruh perusahaan.

Mengapa Transformasi Bisnis Agentik (ABT) itu Penting?

      Melihat kebutuhan akan perubahan menyeluruh ini, platform AI agentik Ema menciptakan istilah "Transformasi Bisnis Agentik" (ABT) tahun lalu, bekerja sama dengan HFS Research. Tujuan dari istilah ini adalah untuk mengisi kekosongan dalam kosakata AI yang ada dan menyediakan kerangka kerja baru bagi perusahaan untuk memahami adopsi teknologi ini. CEO dan pendiri Ema, Surojit Chatterjee, menyatakan bahwa "tidak ada kosakata yang ada yang menangkap ruang lingkup penuh perubahan ini." Jika transformasi digital berpusat pada pergeseran dari kertas ke perangkat lunak, dan transformasi AI adalah tentang menambahkan kecerdasan buatan ke proses yang sudah ada, serta "co-pilot" adalah tentang AI yang membantu tugas-tugas manusia, maka ABT adalah sesuatu yang secara kategoris berbeda. ABT adalah integrasi agen AI ke dalam struktur organisasi, mengubah fundamental cara kerja.

      Bagi Shah, istilah khusus ABT ini "mendorong kebutuhan untuk mendesain ulang organisasi secara keseluruhan: model operasinya, alur kerjanya, hak pengambilan keputusan, dan sistem manajemen kinerja." Ia menekankan bahwa ini mencakup "segala sesuatu yang dibutuhkan untuk memastikan bahwa agen-agen tersebut benar-benar menjadi partisipan aktif dalam penciptaan nilai, bukan hanya alat bantu atau peningkat produktivitas." Menurut Ema, ABT mencakup tiga pilar utama: tumpukan teknologi organisasi, tenaga kerjanya, dan metrik yang digunakan untuk mengukur keberhasilan. Memulai dialog internal mengenai pilar-pilar ini dapat menjadi fondasi bagi perusahaan yang lebih siap menghadapi AI agentik pada tingkat sistemik.

Pilar Pertama: Mengadaptasi Tumpukan Teknologi

      Pilar pertama dari ABT adalah tumpukan teknologi. Tumpukan teknologi yang ada saat ini dirancang untuk alur kerja yang dioperasikan manusia dan berpusat pada aplikasi. Namun, ketika agen AI menjadi aktor utama yang beroperasi dengan kecepatan mesin di berbagai sistem secara bersamaan, tumpukan teknologi ini perlu dipertimbangkan ulang secara fundamental. Prasun Shah menjelaskan bahwa seiring dengan integrasi agen AI, perusahaan perlu beralih dari serangkaian proses linear dan langkah-langkah tertentu ke cara kerja yang diatur ulang secara drastis.

      Nilai utama agen AI bukanlah sebagai lapisan lain dalam tumpukan teknologi yang ada, melainkan sebagai "jaringan penghubung" yang bergerak di antara atau melintasi lapisan-lapisan tersebut. Jaringan ini mampu mengoordinasikan tugas tingkat tinggi atau mengambil dan menafsirkan data dari berbagai aplikasi yang terpisah. Kemampuan agen AI untuk membuat keputusan berdasarkan konteks dari berbagai sumber data ini akan menjadi "diferensiasi kompetitif sejati bagi suatu perusahaan," dan Shah meyakini bahwa "di sanalah medan pertempuran berikutnya akan terjadi." Untuk membangun jaringan penghubung ini, para pemimpin perlu menyesuaikan tumpukan teknologi mereka agar menghasilkan keputusan berkualitas lebih tinggi dari agen AI. Ini berarti memprioritaskan akses ke berbagai dataset dan aplikasi secara bersamaan untuk mengembangkan pengetahuan taktis. Organisasi yang melakukan pergeseran arsitektur ini akan menjadi "benar-benar lebih adaptif," kata Chatterjee. Misalnya, ARSA AI Video Analytics Software dapat mengubah sistem CCTV pasif menjadi platform intelijen operasional, menyediakan wawasan secara real-time yang dapat diintegrasikan dengan tumpukan teknologi yang ada. Ketika persyaratan bisnis baru muncul, perusahaan tidak perlu menunggu berbulan-bulan untuk vendor perangkat lunak membangun fitur. Cukup konfigurasi "karyawan AI" menggunakan bahasa alami dan hubungkan ke sistem yang diperlukan. Waktu dari kebutuhan bisnis hingga alur kerja produksi berkurang dari hitungan bulan menjadi hitungan hari.

Pilar Kedua: Membentuk Tenaga Kerja Hibrida Manusia-AI

      Ketika agen AI diterapkan untuk lebih banyak kasus penggunaan, para pemimpin perusahaan harus mempertimbangkan implikasinya terhadap dinamika di seluruh tenaga kerja mereka, yang merupakan pilar kedua dari ABT. Struktur tenaga kerja saat ini sedikit menyimpang dari model hierarkis awal industrialisasi. Untuk memaksimalkan efisiensi dan skala, proses distandarisasi, tugas-tugas didefinisikan dengan jelas antara unit bisnis strategis (SBU), dan karyawan naik jabatan berdasarkan kapasitas mereka untuk mengoptimalkan output dari tim di bawah mereka. Namun, dengan agen AI yang dapat melaksanakan, mengoordinasikan, dan mengoptimalkan tugas – seringkali tanpa koordinasi manajerial – batas-batas hierarki yang sudah mapan menjadi kabur.

      Dalam tenaga kerja yang memadukan agen AI dan karyawan manusia, para manajer akan dibebaskan dari banyak tugas berbasis eksekusi, tetapi akan mengambil tanggung jawab baru yang terkait dengan pengelolaan tim hibrida. Manajer "perlu mampu mengelola masalah seputar kepercayaan, penjelasan, keamanan psikologis, dan bahkan dinamika status" untuk menavigasi ketegangan baru yang mungkin muncul dalam tenaga kerja hibrida, kata Shah. Dampak AI agentik pada struktur tenaga kerja yang ada melampaui lapisan manajemen. McKinsey memprediksi bahwa pada tahun 2030, tiga perempat pekerjaan saat ini akan memerlukan desain ulang, peningkatan keterampilan (upskilling), atau relokasi, dan organisasi perlu bertindak cepat untuk mengubah proses rekrutmen, retensi, dan remunerasi. Solusi seperti AI BOX - Basic Safety Guard yang mendeteksi kepatuhan APD di lingkungan industri adalah contoh bagaimana teknologi dapat berkolaborasi dengan manusia untuk meningkatkan keamanan, memungkinkan manusia fokus pada tugas yang lebih kompleks dan membutuhkan pengambilan keputusan.

Pilar Ketiga: Merumuskan Metrik Keberhasilan Berbasis Hasil

      Metrik keberhasilan adalah pilar ketiga dan terakhir dari ABT. Seiring agen AI mengambil alih kepemilikan proses inti perusahaan, mengambil peran kolaboratif bersama karyawan manusia, metrik tenaga kerja tradisional yang berfokus pada aktivitas atau output – seperti jumlah panggilan yang ditangani atau laporan yang diajukan – tidak lagi relevan. Chatterjee menjelaskan, "Ketika Anda menambahkan karyawan AI ke dalam tenaga kerja, metrik aktivitas menjadi tidak berarti atau secara aktif menyesatkan." Seorang karyawan AI dapat menangani seribu interaksi pelanggan dalam waktu yang dibutuhkan manusia untuk menangani sepuluh. Jika Anda mengukur keberhasilan berdasarkan interaksi yang ditangani, Anda akan menyimpulkan bahwa AI bekerja dengan sangat baik, tetapi kehilangan apakah interaksi tersebut benar-benar mendorong kepuasan pelanggan, retensi, atau pendapatan.

      Untuk mengoreksi hal ini, perusahaan harus mengembangkan serangkaian metrik baru yang berfokus pada hasil (outcome) daripada output. Artinya, metrik harus mengukur manfaat atau perubahan yang lebih luas yang dicapai, bukan hanya hasil individu yang spesifik. Misalnya, ketika salah satu pelanggan perusahaan besar Ema merombak metriknya, beralih dari metrik alat seperti biaya per pertanyaan dan akurasi AI, ke hasil seperti persentase kontrak yang ditinjau tanpa eskalasi manusia, ROI yang diukur dari AI agentik meningkat tiga kali lipat dalam dua kuartal. Perubahan ini berarti "pelanggan ini berhenti membangun solusi titik dalam alur kerja volume tinggi, kompleksitas rendah, dan mulai menerapkan karyawan AI di mana nilai hasilnya paling tinggi," kata Chatterjee. Solusi AI Video Analytics dari ARSA Technology, misalnya, tidak hanya menghitung jumlah kendaraan yang lewat, tetapi juga menganalisis pola lalu lintas dan kemacetan untuk mengoptimalkan manajemen kota – ini adalah contoh metrik berbasis hasil.

      Mengintegrasikan metrik baru mungkin juga memerlukan konfigurasi ulang lengkap dari proses penghargaan dan manajemen talenta, serta akuntabilitas dan kepemilikan dalam organisasi, kata Shah. Dalam tim hibrida manusia-AI, misalnya, meskipun tanggung jawab etika dan fidusia kemungkinan akan tetap berada pada karyawan manusia, akuntabilitas operasional akan menjadi jauh lebih tersebar untuk mencerminkan peran sistemik agen AI. Perubahan ini akan memunculkan pertanyaan baru yang perlu dihadapi oleh tim kepemimpinan senior. Mereka perlu mempertimbangkan: Siapa yang bertanggung jawab jika karyawan AI membuat kesalahan? Apa yang terjadi jika AI dan manusia tidak setuju? Perlindungan apa yang harus dibuat untuk melindungi pelanggan?

Membangun Fondasi untuk Masa Depan Agentik

      Perubahan tingkat sistemik adalah proses bertahap dan memerlukan pemikiran mendalam dari para ahli. Namun, dengan memulai dialog internal tentang pilar-pilar inti ABT — tenaga kerja, tumpukan teknologi, dan metrik keberhasilan — para pemimpin dapat meletakkan dasar bagi perusahaan yang lebih siap untuk merangkul agen AI pada tingkat sistem dan mulai menutup kesenjangan antara ambisi dan eksekusi mereka. ARSA Technology, sebagai penyedia solusi AI & IoT yang berpengalaman sejak 2018, memahami pentingnya integrasi AI yang mendalam dan berorientasi hasil. Kami berkomitmen untuk membantu organisasi membangun masa depan yang lebih cerdas dan efisien.

      Untuk mendiskusikan bagaimana AI agentik dapat merevolusi operasi bisnis Anda dan bagaimana solusi ARSA Technology dapat menjadi bagian dari perjalanan transformasi Anda, jangan ragu untuk menghubungi tim ARSA untuk konsultasi gratis.

      ---

Konten ini diproduksi oleh Insights, bagian dari konten khusus MIT Technology Review. Konten ini tidak ditulis oleh staf editorial MIT Technology Review. Konten ini diteliti, dirancang, dan ditulis oleh penulis, editor, analis, dan ilustrator manusia. Ini termasuk penulisan survei dan pengumpulan data untuk survei. Alat AI yang mungkin telah digunakan terbatas pada proses produksi sekunder yang melewati tinjauan menyeluruh oleh manusia. Sumber asli artikel dapat ditemukan di sini.